SCMs|创建层次化材料表象以实现分子间耦合的可迁移预测

发现和优化纳米复合材料可以通过融合从头算方法和机器学习（ML）来实现，目前的瓶颈在于缺乏原子尺度上描述单体间相互作用的ML模型。

近日，中山大学李华山副教授等人在Science China Materials发表研究论文，通过高通量密度泛函理论（DFT）计算建立数据集，开发了一个名为双区域网络（DRN）的深度学习模型，用于预测分子对的电子耦合强度。

本文要点：

1)  开发了名为DRN的深度学习算法，通过训练学习原子之间的多尺度交互作用，预测了由337种不同分子组成的分子对在随机构型中的电子耦合强度，平均绝对误差低至2.8 meV。

2)  基于两种截止半径的层次化材料表象被证明对DRN模型的高迁移性和鲁棒性至关重要，这种材料表征方式不仅捕获了共轭片段的局部特征，而且在模型训练之前编码了重要的分子片段间相互作用。

本研究建立的ML模型为描述单体间相互作用提供了普适的建模框架，为复杂纳米复合材料的逆向设计打下了基础。

文章信息

Li C., Liang C., Rouzhahong Y., et al. Transferable prediction of intermolecular coupling achieved by hierarchical material representation. Sci. China Mater. (2022).

https://doi.org/10.1007/s40843-022-2198-5

点击阅读全文，了解更多